基于多维数据图像化的非侵入式负荷识别

针对已有负荷识别方法存在选取的负荷印记冗余度大及无法直接反映负荷功率信息的不足,提出一种多维数据图像化的非侵入式负荷识别方法．首先将负荷的电流波形、瞬时功率波形和电压-无功电流轨迹三个维度的负荷印记转换成灰度图像;然后将其分别加载到图像的红绿蓝通道上,得到带有功率信息的真彩色图像;最后通过简化的二维卷积神经网络进行负荷识别．实验结果表明：本方法能够提升图像的信息密度,使得所采用的人工智能网络在计算量和参数量都降低的情况下仍能在图像中找到最具有辨识力的区域进行高效的负荷识别;在PLAID(即插即用设备标识数据集)和WHITED(全球家庭和工业瞬态能量数据集)上分别达到了98.78%和99.50%的识别准确率．     

基于混合特征图的非侵入式负荷监测算法

针对目前的非侵入式负荷监测算法所需运算成本高、难以实用推广的现状，提出一种低运算成本的基于混合特征图的非侵入式负荷监测算法。首先，提取设备的功率特征和稳态电压-电流轨迹图特征，将设备功率特征进行维数变换后与电压-电流轨迹特征图组合，得到设备混合特征图。该特征图以小尺寸灰度图为载体，减小了硬件存储与模型算力的成本。然后，基于LeNet卷积神经网络建立设备辨识模型，以混合特征图为输入，实现对设备种类的辨识。最后，使用PLAID数据集对所提算法的结果准确性与计算性能进行测试。结果表明：所提算法的设备辨识准确率可达92.7%,与辨识准确率相差小于1%的同类算法相比，在算法参数量和运算量方面减少了99%,能有效减少NILM的运算成本。     

基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高负荷识别的精度对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主成分分析-神经网络(principal component analysis-back propagation,PCA-BP)算法和卷积神经网络算法将数值特征和图像特征以不同通道在高维空间进行深度融合;最后,采用Softmax分类算法对融合后的高级特征和设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果显示,所提出方法的负荷识别准确率高达94.55％.该结果充分说明了将多种特征进行高维空间融合,可以更全面、立体地反映设备的本质属性,提高算法的识别精度.     

基于注意力特征融合的SqueezeNet细粒度图像分类模型

针对现有细粒度图像分类算法普遍存在的模型结构复杂、参数多、分类准确率较低等问题,提出一种注意力特征融合的SqueezeNet细粒度图像分类模型.通过对现有细粒度图像分类算法和轻量级卷积神经网络的分析,首先使用3个典型的预训练轻量级卷积神经网络,对其微调后在公开的细粒度图像数据集上进行验证,经比较后选择了模型性能最佳的SqueezeNet作为图像的特征提取器;然后将两个具有注意力机制的卷积模块嵌入至SqueezeNet网络的每个Fire模块;接着提取出改进后的SqueezeNet的中间层特征进行双线性融合形成新的注意力特征图,与网络的全局特征再融合后分类;最后通过实验对比和可视化分析,网络嵌入Convolution Block Attention Module(CBAM)模块的分类准确率在鸟类、汽车、飞机数据集上依次提高了8.96%、4.89%和5.85%,嵌入Squeeze-and-Excitation(SE)模块的分类准确率依次提高了9.81%、4.52%和2.30%,且新模型在参数量、运行效率等方面比现有算法更具优势.     

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.     

关于三维地震可视化的分析

在地质开采、石油勘探、地形模拟等领域,可视化技术有着十分重要的意义.应用三维地震数据可视化技术,可以对原始地震测井数据做出正确解释,从而得到石油资源是否存在、位置和储量等重要信息.可视化过程主要分为:数据预处理、映射、绘制、显示四步.数据预处理主要对原始数据进行规则化处理,使其满足可视化数据要求;映射是将处理过的数据映射成几何数据,即进行几何构造建模;绘制的过程将几何数据变换成图像数据;显示过程即将图像数据显示出来.可视化绘制算法可以分为面绘制(Surface Rendering)和体绘制(Volume Rendering)两大类,体绘制技术是一个重要的研究方向,具有较大的研究价值和应用前景,体绘制的传统算法是光线投射法,本文结合地震数据的特点.对该算法进行改进,然后对改进算法的性能进行了评价,得出减少重新采样的计算量是提高体绘制算法效率的有效方法.     

基于图像编码与深度学习的非侵入式负荷识别方法

非侵入式负荷识别(non-intrusive load monitoring,NILM)是一种不依赖用户内部装置,仅凭借外部分析工具和手段即可实现用户用电行为自动感知的方法.提高非侵入式负荷识别的精度,对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于彩色图像编码与深度学习的电力负荷识别方法.该方法首先在传统电压-电流(V-I)灰色轨迹法的基础上,利用双线性插值技术有效解决了像素点不连续的问题;然后考虑了特征之间的互补性,通过构造电流(R)、电压(G)和相位(B)3个通道,将数值特征嵌入灰色V-I轨迹中,从而得到了蕴含丰富电气特征的彩色V-I图像;最后,采用AlexNet深度学习算法对彩色V-I图像和对应设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果表明,提出的负荷识别方法的准确率高达97.7％.该结果充分验证了上述方法的有效性.     

三维离散元软件的加速可视化方法

针对自主研发软件AgriDEM(agricultural discrete element method)的可视化模块在仿真数据规模巨大时的显示卡顿问题, 提出一种软件加速可视化方法. 该方法从显示数据精简角度出发, 采用内部单元剔除算法, 模拟人眼视觉深度及物体遮挡的特征, 剔除内部不可见颗粒的数据, 从而减轻由庞大数据输入导致可视化流水线上的负荷, 解决了仿真数据可视化时的闪烁、 卡顿问题.     

利用Delphi4.0开发基于人工神经网络的电力系统应用软件

采用分任务 (Task)的思想 ,利用可视化语言 Delphi4.0开发了基于人工神经网络 (ANN)算法的电力系统应用软件 ,共包含变压器故障诊断、负荷预测、局部放电、系统辨识和潮流计算 5大模块 ,其中仅以变压器故障诊断和系统辨识为例说明其开发过程和实际中的应用 .本软件人机交互界面类似于 Office模式 ,对 Delphi的编程技巧有一定的启示作用 ,同时稍加改进还可进行实时数据的采集与处理 .最后介绍了利用 Help Work Shop制作在线“帮助”的方法 ,对其它可视化语言有一定的借鉴作用     

基于Web的网络流量分类管理系统

针对传统的流量分类管理系统存在不稳定、结果反馈不及时、分类结果显示不直观等问题,设计一个基于Web的在线的流量分类管理系统。该系统采用流中前5个包(排除3次握手包)所含信息作为特征值计算资源,集成一种或多种分类算法用于在线网络流量分类,应用数据可视化技术处理分类结果。实验表明:在采用适应在线分类的特征集和C4.5决策树算法做分类时,系统能快速做出分类,且精度达到94%以上;数据可视化有助于人机交互,改善分类指导。     

一种改进的深度神经网络的花卉图像分类

花卉图像类内差异性大和类间相似性高使得花卉图像分类较难.传统花卉分类方法和普通卷积神经网络很难完整地表达花卉图像的特征,故而分类效果不理想.为提高花卉分类准确率,提出改进的InceptionV3网络用于花卉图片的分类.采用迁移学习的方法,将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类,对其中的激活函数进行改进.在通用Oxford flower-102数据集上的实验表明:该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高,且比未改进的卷积神经网络准确率高,迁移过程准确率达到81.32%,微调过程准确率达到92.85%.     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

基于改进非局部注意力模块的非侵入负荷辩识

针对目前基于深度学习的非侵入式负荷辩识领域中存在的模型复杂度高、参数量大及获取长距离特征间依赖关系的能力弱等问题,提出一种基于注意力机制的轻量级负荷辨识模型．该模型以低时间维度的设备电流信息为输入,通过引入改进非局部注意力模块建模不同时间电流的特征关系,建立轻量级的时间残差卷积神经网络．在公开PLAID(即插设备标识数据集)和WHITED(全球家庭和工业瞬态能源数据集)上的实验表明：在设备识别率分别达到97.32%和99.32%的情况下,模型的计算量低至4×10⁵,且模型的参数量小于5.2×10⁴.     

一种改进的基于Sobol序列的快速线积分卷积法

为提高快速线积分卷积法(Sobol-FLIC)的计算效率和流线的覆盖率,提出了一种改进的基于Sobol序列的快速线积分卷积法.计算结果表明,与一般的快速线积分卷积法相比,改进后的算法计算效率提高了约10%,同时可以产生稀疏纹理和密纹理,并且采用二次LIC法对图像进行后处理提高了可视化效果.在Matlab环境中,该算法与几种基本算法(LIC,FLIC)的可视化效率、计算固定数目流线的可视化结果和图像覆盖率的比较结果证实了其优越性.     

基于Tensorflow框架的生产线零件编号分类算法研究

针对由手工提取特征不充分引起生产线零件编号分类效率和准确率低等问题,提出深度卷积神经网络零件编号分类算法.理论分析了神经网络各层数学原理,在Tensorflow框架下搭建11层卷积神经网络,引入弃权技术,消弱各神经元间联合适应性,防止网络过拟合,反向传播中采用基于指数衰减的批量梯度优化算法.由于采集的生产线现场零件编号图像有限,引入Chars74K数据集以增加数据集规模.样本数据集中80%用于训练、20%用于测试.研究结果表明,本文算法准确率达87.91%,但仍不理想.经分析,数据集中易混淆字符影响算法性能,尝试优化数据集,将数据集中易混淆字符进行删减或合并,算法准确率达到94.1%,性能获得显著提升.本文提出的生产线零件编号分类算法不需要人工特征提取等预处理操作,算法速度快、准确率高.     

复杂空航信息网络枢纽节点的高效发现

针对空航信息网络复杂度高、实时性强、数据规模大的特点,通过大量实验分析,提出基于额外窗口(AW)的信息网络Top-k接近中心度核心节点挖掘算法.在不同数据集上的大量实验表明:本文算法在人工和真实数据集上能保证80%以上的准确率,在给定的几种AW中平均处理时间减少约50%.     

一种基于InsightFace算法的课堂人脸识别方法研究

采用人脸识别算法可以快速识别出教室中每个学生的身份,以掌握学生的出勤率信息,从而达到提升教学管理效率,促进教学质量提高的目的.为了克服人脸识别算法应用在课堂环境中识别准确率低的问题,本文提出了一种改进的InsightFace人脸识别算法.该算法基于MobileNet V2网络结构,将带有卷积注意力模块的CBAM-MobileNet网络结构代替InsightFace算法的ResNet人脸嵌入网络,同时采用限制对比度自适应直方图均衡化方法对待识别数据进行预处理,从而提高人脸图像的质量,提升了人脸识别准确率.改进后的算法在LFW和AgeDB-30数据集上测试准确率分别达到98.75%和88.60%,并且使用采集自课堂环境的Smart-Classroom数据集分别对教室中前后排学生的大、中、小三种尺寸人脸进行测试,分别较原算法准确率提高0.1%、2.6%、8.0%.     

SFSR-Age:一种基于人脸强语义的年龄识别算法

针对因光照、拍摄角度及图片质量等因素导致的经典深度学习算法难以有效提取人脸特征、人物身份识别准确率难以达到理想精度的问题,提出一种基于人脸强语义的年龄识别算法.首先,通过注意力矩阵增强人脸区域的特征权重,达到提取特征区域的目的;其次,使用级联双向长短期记忆(Bi-LSTM)网络学习时序帧之间的特征依赖关系,弥补部分特征缺失对识别精度的影响.在人脸数据集IMDB-WIKI和数据集Adience上进行测试,该算法的年龄识别准确率分别达到78.34%和77.89%.实验结果表明,相比于其他基于深度学习算法的方法,该算法在基于图片数据集的人物年龄识别任务上具有更高的准确率.     

智慧园区环境下的多模态多核学习身份识别算法研究

智慧园区的建设推动着企业与城市的发展，传统的园区管理方式已不再适用于产业融合创新的智慧园区。以曹家滩园区为例，设计智慧园区平台总体框架，针对园区中身份识别存在识别环境差、效率低、准确率低等问题，提出一种基于多模态多核学习的身份识别算法。所提算法将视频数据中的数据分为图像、音频，并采集个人信息的文本，并将三种模态的信息输入同一样本空间中，通过引入间隔约束的多核学习算法，保留不同模态的差异性和相似性，并进行特征融合与决策融合，最终采用分类器与评分机制输出身份识别结果。通过公开的视频数据集与曹家滩园区数据集进行实验，实验结果表明本文所提算法最高准确率达到97.2%，与传统算法相比有较大优势。     

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.